Development and Validation of a Predictive Model for the Risk of Bleeding Associated with Rivaroxaban

تعد مسيلات الدم من بين الأدوات الأكثر حيوية في الطب الحديث، حيث تعمل كدرع ضد الجلطات الخطيرة التي يمكن أن تعيق تدفق الدم إلى القلب أو الرئتين أو الدماغ. ولعقود من الزمن، اعتمد الأطباء على أدوية مثل الوارفارين لإبقاء هذه الجلطات بعيدة، لكن هذه الأدوية القديمة تتطلب فحوصات دم متكررة وإدارة غذائية دقيقة للبقاء في أمان. وفي السنوات الأخيرة، غير جيل جديد من الأدوية، المعروف باسم مضادات التخثر الفموية المباشرة، المشهد الطبي. ومن أكثر هذه الأدوية وصفاً طبياً هو ريفاروكسابان؛ إذ يعمل عن طريق حصر بروتين معين في الدم ضروري لتكوين الجلطات بشكل مباشر، مما يوفر للمرضى خطة علاجية أبسط دون الحاجة إلى مراقبة مستمرة. ومع ذلك، فإن الآلية ذاتها التي تجعل هذه الأدوية فعالة تحمل أيضاً خطراً كبيراً: وهي أنها قد تجعل المرضى ينزفون بسهء شديد. وبينما يعد منع السكتة الدماغية هدفاً منقذاً للحياة، فإن النزيف غير المتوقع يمكن أن يكون خطيراً بنفس القدر. لقد كان التحدي الذي يواجه الأطباء دائماً هو إيجاد التوازن الصحيح — تحديد المرضى الذين يمكن علاجهم بأمان وأولئك الذين يسيرون على حبل مشدود حيث يمكن أن تتحول إصابة طفيفة إلى أزمة كبرى.

لقد سعى فريق من الباحثين في جامعة شيهيزي في الصين إلى حل هذا اللغز من خلال النظر عن كثب في المرضى الذين يتناولون ريفاروكسابان في بيئة مستشفى واقعية. وبدلاً من الاعتماد على أنظمة تسجيل قديمة وثابتة صُممت لأدوية مختلفة، قاموا ببناء أداة جديدة وديناميكية باستخدام التعلم الحاسوبي المتقدم. فقد تتبعوا 360 مريضاً تم إدخالهم إلى المستشفى لحالات مثل الجلطات في الرئتين أو عدم انتظام ضربات القلب. وقد أُعطي هؤلاء المرضى ريفاروكسابان بمفرده، دون أدوية أخرى مسيلة للدم قد تشوش النتائج. راقب الباحثون هؤلاء المرضى عن كثب لمدة ثلاثة أشهر، وسجلوا كل حالة نزيف، من نزيف الأنف الصغير إلى النزيف الداخلي الأكثر خطورة. ووجدوا أن ما يقرب من واحد من كل خمسة مرضى عانى من شكل من أشكال النزيف، ومن المثير للدهشة أن ما يقرب من 90 بالمائة من هذه الحالات حدثت خلال الأسابيع الثلاثة الأولى من العلاج، وغالباً خلال مرحلة الجرعة العالية الأولية. وقد أشار هذا التوقيت إلى أن الأسابيع القليلة الأولى هي نافذة حرجة يكون فيها الجسم أكثر عرضة للخطر.

ولفهم هذه البيانات، لجأ الباحثون إلى التعلم الآلي، وهو نوع من الذكاء الاصطناعي الذي يمكنه رصد الأنماط المعقدة في مجموعات كبيرة من المعلومات التي قد تخفى على العين البشرية. فقد غدوا الحاسوب ببيانات حول عشرات التفاصيل الخاصة بالمرضى، بما في ذلك العمر، والتاريخ الطبي، ونتائج اختبارات دم متنوعة. كان على الحاسوب أن يتعلم من موقف صعب: كانت حالات النزيف نادرة مقارم بحالات عدم النزيف، وهي مشكلة غالباً ما تربك النماذج الحاسوبية. ولحل ذلك، استخدم الفريق تقنية خاصة لموازنة البيانات، مما سمح للحاسوب بالتعلم من حالات النزيف النادرة دون أن يرتبك بسبب العدد الهائل من حالات عدم النزيف. وبعد اختبار تسعة أنواع مختلفة من النماذج الحاسوبية، وجدوا أن نهجاً واحداً محدداً، يُعرف بنموذج "الغابة العشوائية" (Random Forest)، قدم أفضل أداء. يعمل هذا النموذج مثل لجنة من صناع القرار، حيث ينظر كل منهم إلى البيانات من زاوية مختلفة قليلاً للوصول إلى إجماع بشأن من هم المعرضون للخطر.

جاء الاكتشاف الأكثر إثارة للدهشة عندما حدد الحاسوب أهم ثلاثة عوامل تتنبأ بالنزيف. العامل الأول هو العمر، وهو عامل خطر معروف؛ حيث يواجه المرضى الأكبر سناً مخاطر أعلى بشكل عام. والثاني هو اختبار دم يسمى "زمن الثرومبوبلاستين الجزئي المنشط" (APPT)، والذي يقيس المدة التي يستغرقها الدم ليتجلط. تعلم الحاسوب أن حتى الطول الطفيف في هذا الزمن، مما يشير إلى أن الدم يستغرق وقتاً أطول من المعتاد ليتجلط، يعد علامة تحذير قوية. أما العامل الثالث فكان الأكثر إثارة للحيرة؛ فقد توقع الباحثون أن المستويات العالية من الكرياتينين، وهو منتج فضلات تصفيه الكلى، ستشير إلى الخطر لأنها تدل على ضعف وظائف الكلى. بدلاً من ذلك، وجد النموذج أن المستويات المنخفضة جداً من الكرياتينين هي علامة حمراء كبرى. وبعبارة بسيطة، فإن انخفاض الكرياتينين يشير غالباً إلى أن المريض لديه كتلة عضلية ضئيلة جداً وقد يكون ضعيفاً بدنياً أو يعاني من سوء التغذية. هؤلاء المرضى، الذين قد يبدون بصحة جيدة على الورق لأن كليتيهم تبدوان سليمتين، لديهم في الواقع جسد لا يستطيع التعامل مع الدواء بقدر الآخرين. لقد أدرك الحاسوب أن هذا "الضعف الخفي" جعلهم عرضة للنزيف تماماً مثل أولئك الذين يعانون من أمراض كلى خطيرة.

لم يتوقف الباحثون عند بناء النموذج؛ بل اختبروه بصرامة لضمان عمله مع مرضى جدد. فقد طبقوا أفضل نموذج لديهم على مجموعة منفصلة مكونة من 115 مريضاً تم علاجهم في وقت لاحق. أظهر النموذج دقة عالية، حيث حدد بشكل صحيح المرضى الذين سيعانون من النزيف وأولئك الذين لن يعانوا منه، مما أثبت أن نتائجهم لم تكن مجرد مصادفة لمجموعة المرضى الأولى. ومن خلال استخدام طريقة تسمى "SHAP"، والتي تعمل كنافذة شفافة تطل على تفكير الحاسوب، استطاع الفريق رؤية كيف ساهم كل عامل في التنبؤ النهائي. ورأوا أن الخطر لا يرتفع ببطء مع تقدم العمر أو تغيرات اختبار الدم فحسب؛ بل يقفز بشكل حاد بمجرد تجاوز عتبات معينة. على سبيل المثال، بمجرد أن يتجاوز زمن تجلط الدم نقطة محددة، يرتفع خطر النزيف بشكل كبير. وبالمثل، بمجرد أن تنخفض مستويات الكرياتينين دون مستوى معين، يرتفع الخطر بسرعة.

تقدم هذه الدراسة مساراً عملياً للأطباء والصيادلة. فبدلاً من التخمين حول من قد ينزف، يمكنهم الآن استخدام أداة بسيطة تنظر في ثلاثة أشياء فقط: عمر المريض، والمدة التي يستغرقها دمه ليتجلط، وحجم الكتلة العضلية التي يمتلكها على الأرج Probable. هذا النهج مفيد بشكل خاص خلال الأسابız الثلاثة الأولى من العلاج، وهي الفترة التي يكون فيها الخطر في أعلى مستوياته. ومن خلال تحديد المرضى ذوي الكتلة العضلية المنخفضة أو أوقات التجلط المتأخرة قليلاً قبل بدء تناول الدواء، يمكن للأطباء مراقبتهم عن كثب أو تعديل خطط رعايتهم لمنع النزيف الطفيف من التحول إلى حالة تهدد الحياة. إن هذا النموذج لا يحل محل حكم الطبيب، ولكنه يوفر خريطة واضحة مدعومة بالبيانات للتضاريس، مما يساعد في التنقل عبر الخط الفاصل الرفيع بين منع الجلطات والتسبب في الضرر. إنه يحول تحدياً طبياً معقداً إلى مجموعة من الإشارات القابلة للإدارة، مما يضمن الاستمتاع بالفوائد المنقذة للحياة لمسيلات الدم الحديثة بأمان أكبر.